NetApp 在其全闪存 ASA 块存储产品系列中新增多款型号,推出新的 FAS 混合闪存文件存储系统 (FAS50),推出面向 HPC 的新型 E 系列 SAN 存储 (EF300C 和 EF600C),并扩展了勒索软件检测和恢复保障至块存储产品线。
全新的 ASA A20、A30 和 A50 主要采用了升级版的 CPU、PCIe 和内存组件。这些产品定位于 ASA 块存储产品系列的入门级和中端市场,作为现有 A70、A90 和 A1K 的补充,同时替代 A250 和 A400。
A20 的原始容量范围从 15TB (太字节) 到 734TB,通过数据压缩可达到 3.2PB (拍字节),集群模式下最高可达 19PB。A50 的原始容量为 68TB 至 1.8PB,集群模式下有效容量最高可达 48PB。
NetApp 的 ASA 系列 (All-SAN Array) 是其面向本地部署的硬件形式闪存块存储产品,可添加云端容量。ASA 实际上是 NetApp 的 AFF 全闪存阵列系列,但关闭了 NAS 功能。
所有新款 A 系列阵列均采用 2U 机架设计。A50 与现有的 A70 在容量上有所重叠,但后者采用 4U 机架设计以提供更多连接选项,NetApp 首席技术专家 Grant Caley 如是说。
"更高规格的阵列可以安装提供更多 I/O 选项的卡片。在较低规格的模块化系统中,这些功能是集成的。"
据 NetApp 介绍,A20 比现有 A150 快 72%,而 A30 和 A50 则分别比其所取代的 A250 和 A400 快 109% 和 171%。A150 和 A250 于 2023 年 5 月推出,容量分别为 0.5PB 和 1.1PB。
ASA 产品的升级稍晚于 NetApp 对其 AFF 全闪存文件存储产品的升级。Caley 表示,这只是由于时间限制造成的。"工程师的数量是有限的,而且 AFF 是更受客户欢迎的平台。"
此外,NetApp 还对其 E 系列产品进行了类似的组件升级,推出了新的 EF300C 和 EF600C。E 系列源自 NetApp 在 2011 年收购 Engenio。这些产品运行 SanTricity 操作系统,最初仅支持机械硬盘,后来在 2013 年 NetApp 首次进军闪存存储市场时添加了闪存支持。
它们仍然是混合闪存系统(这意味着它们也可以使用 HDD),但新型号现在可以使用 30TB 和 60TB 容量的高密度 QLC 闪存驱动器。
Caley 说:"我称之为'简单 SAN'。这是一个非常高密度的阵列,具有海量吞吐量,适合 HPC 类型的使用场景,只需要快照和复制功能。"
"随着闪存成本上涨,我们看到 HDD 的使用率有所上升,主要用于次要和低性能工作负载。"
FAS 产品线也迎来了新成员。这是 NetApp 长期存在的"文件服务器"系列的继任者,仍然采用混合闪存设计。新的 FAS50 位于 2820 和 FAS70 之间,在高可用性系统中提供 100TB 到 10.6PB 的原始容量,集群模式下最高可达 127PB。
同时,NetApp 将于今年晚些时候发布用于块存储的 NetApp OnTap 自主勒索软件保护和人工智能系统 (ARP/AI)。这包括为块存储重新包装的 NetApp 勒索软件保障,名为"勒索软件检测计划",如果其勒索软件检测未能发现入侵,公司承诺最初将免费帮助客户恢复。
NetApp 对此充满信心,并强调了其勒索软件检测和恢复功能。这包括基于机器学习的异常检测,可以识别涉及数据加密的异常模式和异常用户活动。
与之前的版本一样,当 AI 发现异常活动时,它会立即触发快照,客户可以从中恢复。
最后,在 NetApp 的混合云存储管理平台 BlueXP 中,客户现在还可以模拟勒索软件攻击及其恢复过程。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。